CN103581982A - 一种业务热点的检测方法、确定方法、定位方法及装置 - Google Patents

Abstract

本发明适用于无线网络技术领域，提供一种业务热点的检测方法、确定方法、定位方法及装置。所述检测方法包括：周期性统计小区内小区最差用户的平均数据速率、阻塞用户数和活动用户数；若所述统计的小区最差用户的平均数据速率变小，且阻塞用户数和活动用户数都变大，则该小区内可能存在业务热点。本发明在检测业务热点状态时，考虑到了多个网络状态参数的变化，包括最差用户的平均数据速率、阻塞用户数以及活动用户数等等，当所有数据变化满足要求时才能判定当前小区可能存在业务热点。本发明检测业务热点时考虑到多方面网络状态信息，相比现有检测技术，检测结果更可靠。

Description

一种业务热点的检测方法、确定方法、定位方法及装置

技术领域

本发明属于无线网络技术领域，尤其涉及一种业务热点的检测方法、确定方法、定位方法及装置。

背景技术

随着用户数据速率需求的不断增大，基站小型化的发展趋势日益明显，因而，移动通信网络日发动态化，运营商要维护的网元数量在急剧增长，所需投入的维护成本也越来越大。另外，用户应用的高度移动性，导致了网络业务热点的出现日益频繁。自组织网络SON（self-organization network）技术的提出，就是希望通过在移动通信网络的规划、部署、运维阶段实现尽可能的自动化，来达到节省运营成本(OPEX)的目的。

现有蜂窝网络的运维中，业务热点的检测是运营商通过网管系统（EMS或NMS）的话统报告或基于网络负载的预测。当负载变化超出运营商预先设置的范围，即网络性能不能达到预定值时，由运维和网管人员通过经验分析方法，获知网络运行可能出现的问题，比如是否是业务热点。但这种仅仅基于负载的变化不能准确判定业务热点，因为这个负载变化可能是强干扰所致，若判断错误可能会导致后续误操作。因此当前检的业务热点检测方法并不适合由于用户应用高度移动性和蜂窝小区日益变小而导致业务热点频繁出现的网络。

发明内容

鉴于上述问题，本发明提供一种业务热点的检测方法，旨在解决现有业务热点检测方法仅仅依靠负载变化来判定业务热点，导致业务热点检测不准确的技术问题。

本发明是这样实现的，一种业务热点的检测方法方法，所述方法包括下述步骤：

周期性统计小区内小区最差用户的平均数据速率、阻塞用户数和活动用户数；

若所述统计的小区最差用户的平均数据速率变小，且阻塞用户数和活动用户数都变大，则该小区内可能存在业务热点。

本发明的另一目的在于提供一种业务热点的确定方法，所述方法包括所述业务热点的检测方法，还包括如下步骤：

统计小区内每个用户的参考信号接收质量RSRQ，并对小区内的用户进行分簇；

根据分簇结果确定当前簇是否为一个业务热点簇。

本发明的另一目的在于提供一种业务热点的定位方法，所述方法包括所述业务热点的确定方法，还包括如下步骤：

根据业务热点簇内用户终端的位置信息，定位出业务热点簇所在区域。

本发明的另一目的在于提供一种业务热点的检测装置，所述装置包括：

数据统计单元，用于周期性统计小区内小区最差用户的平均数据速率、阻塞用户数和活动用户数；

热点判断单元，用于若所述统计的小区最差用户的平均数据速率变小，且阻塞用户数和活动用户数都变大，则该小区内可能存在业务热点。

本发明的另一目的在于提供一种业务热点的确定装置，所述装置包括所述业务热点的检测装置，还包括：

用户分簇单元，用于统计小区内每个用户的参考信号接收质量RSRQ，并对小区内的用户进行分簇；

业务热点确定单元，用于根据分簇结果确定当前簇是否为一个业务热点簇。

本发明的另一目的在于提供一种业务热点的定位装置，所述装置包括所述业务热点的确定装置，还包括：

区域定位单元，用于根据业务热点簇内用户终端的位置信息，定位出业务热点簇所在区域。

在本发明实施例中，提供了一种结合网络状态进行业务热点检测、确定、定位的方法和装置，由于本发明实施例在检测业务热点状态时，考虑到了多个网络状态参数的变化，包括最差用户的平均数据速率、阻塞用户数以及活动用户数等等，当所有数据变化满足要求时才能判定当前小区可能存在业务热点，再对用户进行分簇，根据分簇结果确定小区内的业务热点簇，最后定位业务热点簇的位置。本发明实施例可以有效检测存在业务热点簇的小区、确定小区中的业务热点簇，以及能够有效定位出网络中的热点区域，以便网络触发相应的SON动作，到达节约运营成本的目的。

附图说明

图1是本发明第一实施例提供的一种业务热点的检测方法流程图；

图2是本发明第二实施例提供的一种业务热点的检测方法流程图；

图3是本发明第三实施例提供的一种业务热点的确定方法流程图；

图4是本发明第四实施例提供的一种业务热点的确定方法流程图；

图5是本发明第五实施例提供的一种业务热点的确定方法流程图；

图6是本发明第六实施例提供的一种业务热点的定位装置流程图；

图7是本发明第七实施例提供的一种业务热点的检测装置结构方框图；

图8是本发明第八实施例提供的一种业务热点的检测装置结构方框图；

图9是本发明第九实施例提供的一种业务热点的确定装置结构方框图；

图10是本发明第十实施例提供的一种业务热点的确定装置结构方框图；

图11是本发明第十一实施例提供的一种业务热点的确定装置结构方框图；

图12是本发明第十二实施例提供的一种业务热点的定位装置结构方框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

实施例一：

图1示出了本发明第一实施例提供的一种业务热点的检测方法，为了便于说明仅示出了与本发明实施例相关的部分。

步骤S101、周期性统计小区内小区最差用户的平均数据速率、阻塞用户数和活动用户数。

在本步骤中，需要定期统计小区内用户的网络状态信息，包括最差用户的平均数据速率、阻塞用户数和活动用户数。在每个统计周期内都可以进行业务热点检测，可以灵活掌握业务热点变化信息，以便自动做出相应SON操作。

步骤S102、若所述统计的小区最差用户的平均数据速率变小，且阻塞用户数和活动用户数都变大，则该小区内可能存在业务热点。

当小区内存在业务热点和不存在业务热点时，小区内的最差用户的平均数据速率、阻塞用户数和活动用户数都会不同，当小区内的活动用户数增加，表明小区内的用户终端数量增加，更容易产生业务热点，当小区内阻塞用户数增加，表明移动网络产生阻塞现象，当小区内最差用户的平均数据数量下降，表明用户终端的通信质量开始变差，所以当小区内的最差用户的平均数据数量变小，且阻塞用户数和活动用户数都变大就可以判断当前小区可能存在业务热点。

本发明实施例通过获取网络状态信息的变化，可以有效检测到小区内可能存在业务热点。

实施例二：

图2示出了本发明第二实施例提供的一种业务热点的检测方法，为了便于说明仅示出了与本发明实施例相关的部分。

步骤S201、将统计周期划分为W个子周期，分别对最差用户的平均数据速率、阻塞用户数和活动用户数进行采样，分别得到W个样本值：(r_m(n-W+1),...,r_m(n))、(b_m(n-W+1),...,b_m(n))、(x_m(n-W+1),...,x_m(n))。

步骤S202、将所述最差用户的平均数据速率、阻塞用户数和活动用户数的样本值划分统计区间和归一化后生成相应的柱状图，分别为：

$h_m^r\left(n\right)=(h_{m,1}^r\left(n\right),...,h_{m,2^N}^r\left(n\right)),$ $h_m^b\left(n\right)=(h_{m,1}^b\left(n\right),...,h_{m,2^N}^b\left(n\right)),$ $h_m^x\left(n\right)=(h_{m,1}^x\left(n\right),...,h_{m,2^N}^x\left(n\right)),$

其中2^N为划分的区间数目。

在本发明实施例中，首先需要将统计周期进一步划分为W个子周期，分别对最差用户的平均数据速率、阻塞用户数和活动用户数进行采样，可以获得W个样本值。

这里设小区m的最差用户的平均数据速率的W个样本值为：

(r_m(n-W+1),...,r_m(n))，

再把样本值根据大小划分为2^N个区间，其中，最小样本值以下和最大样本值以上各为一个区间，最小样本值和最大样本值之间等间隔划分为2^N-2个区间，再计算落入每个区间的样本数目，以总样本数W归一化每个区间的样本数，即可获得最差用户的平均数据速率的柱状图，如下：

$h_m^r\left(n\right)=(h_{m,1}^r\left(n\right),...,h_{m,2^N}^r\left(n\right));$

同理可以得到阻塞用户数的W个样本值以及对应柱状图分别为：

(b_m(n-W+1),...,b_m(n))， $h_m^r\left(n\right)=(h_{m,1}^r\left(n\right),...,h_{m,2^N}^r\left(n\right));$

活动用户数的W个样本值以及对应柱状图分别为：

(x_m(n-W+1),...,x_m(n))， $h_m^x\left(n\right)=(h_{m,1}^x\left(n\right),...,h_{m,2^N}^x\left(n\right)).$

步骤S203、检测

值。

步骤S204、检测

值。

步骤S205、检测

值。

步骤S203-S205分别用于检测最差用户平均数据速率变化、阻塞用户数的变化以及活动用户数的变化。

对于检测最差用户平均数据速率变化：

当H1＝1，表示最差用户的平均数据速率减少，即行列式函数

$h(\stackrel{\‾}{r_m}\left(n\right),{\mathrm{\ϵ}}_r)=|\stackrel{\‾}{r_m}\left(n\right)-E^r|-\sqrt{\frac{\mathrm{Va}{r}^r}{{\mathrm{\ϵ}}_r}},$ 其中

为(r_m(n-W+1),...,r_m(n))的算术平均值，

值为期望，

为方差，基于Chebyshev bound，检测的误警概率的上限为： $\mathrm{Pr}\{h(\stackrel{\‾}{r_m}\left(n\right),{\mathrm{\ϵ}}_r)>0|h_m^r\left(n\right)\}\≤{\mathrm{\ϵ}}_r,$ 在本发明中，εr取0.05.。

对于检测阻塞用户数变化：

H2=1，表示阻塞用户数增加，同样，检测的误警概率的上限为εb，取0.05。行列式函数 $h(\stackrel{\‾}{b_m}\left(n\right),{\mathrm{\ϵ}}_b)=|\stackrel{\‾}{b_m}\left(n\right)-E^b|-\sqrt{\frac{\mathrm{Va}{r}^b}{{\mathrm{\ϵ}}_b}},$ 其中

为

值为期望, $\mathrm{Va}{r}^b=\underset{i=1}{\overset{2^N}{\mathrm{\Σ}}}{(i-E^b)}^2*h_{m,i}^b$ 为方差。 $\mathrm{Va}{r}^b=\underset{i=1}{\overset{2^N}{\mathrm{\Σ}}}{(i-E^b)}^2*h_{m,i}^b$ 为方差。

对于检测活动用户数变化：

H3＝1，表示active用户数增加，同理，检测的误警概率的上限为为∈x，取0.05。其中， $h(\stackrel{\‾}{x_m}\left(n\right),{\mathrm{\ϵ}}_x)=|\stackrel{\‾}{x_m}\left(n\right)-E^x|-\sqrt{\frac{\mathrm{Va}{r}^x}{{\mathrm{\ϵ}}_x}}$ ，其中

为

值为期望， $\mathrm{Va}{r}^x=\underset{i=1}{\overset{2^N}{\mathrm{\Σ}}}{(i-E^x)}^2*h_{m,i}^x$ 为方差。 $\mathrm{Va}{r}^x=\underset{i=1}{\overset{2^N}{\mathrm{\Σ}}}{(i-E^x)}^2*h_{m,i}^x$ 为方差。

步骤S206、当 ${\mathrm{\α}}_1*h(\stackrel{\‾}{r_m}\left(n\right),{\mathrm{\ϵ}}_r)+{\mathrm{\α}}_2*h(\stackrel{\‾}{b_m}\left(n\right),{\mathrm{\ϵ}}_b)+{\mathrm{\α}}_3*h(\stackrel{\‾}{x_m}\left(n\right),{\mathrm{\ϵ}}_x)>0,$ 则判定该小区可能存在业务热点，其中α₁、α₂、α₃为加权因子，满足α₁+α₂+α₃＝1。

在本步骤中，如果小区最差5％用户的平均数据速率变大，并且呼叫阻塞数目和active用户数都变大，则该小区可能存在业务热点。

当H＝i，表示小区状态异常(可能存在业务热点)；否则状态为正常(不存在业务热点)。其中α₁、α₂、α₃为加权因子，满足α₁+α₂+α₃＝1，可以分别设为0.3，0.3和0.4。

作为一种具体实施方式，在本实施例中，所述小区最差用户选取为小区最差5％的用户，显然选取其他合适比例亦在本发明保护范围之内。

本发明实施例通过检测最差用户平均数据速率、阻塞用户数以及活动用户数这三者的数据变化来综合判断当前小区是否存可能存在业务热点，与现有技术相比判断准确率更高。

实施例三：

图3示出了本发明第三实施例提供的一种业务热点的确定方法，为了便于说明仅示出了与本发明实施例相关的部分。

步骤S301、周期性统计小区内小区最差用户的平均数据速率、阻塞用户数和活动用户数；

步骤S302、若所述统计的小区最差用户的平均数据速率变小，且阻塞用户数和活动用户数都变大，则该小区内可能存在业务热点。

上述两个步骤用于判定在本统计周期内，小区内是否可能存在业务热点，当判定可能存在业务热点时，需要进一步确定是否真的存在业务热点。步骤如下：

步骤S303、统计小区内每个用户的参考信号接收质量RSRQ，并对小区内的用户进行分簇。

步骤S304、根据分簇结果确定当前簇是否为一个业务热点簇。

在本发明实施例中，基于用户RSRQ对用户进行分簇，分簇后通过用户的RSRQ概率分布来识别用户的相似性，从而判定小区内是否确有业务热点。

实施例四：

图4示出了本发明第四实施例提供的一种业务热点的确定方法，为了便于说明仅示出了与本发明实施例相关的部分。

步骤S401、周期性统计小区内小区最差用户的平均数据速率、阻塞用户数和活动用户数；

步骤S402、若所述统计的小区最差用户的平均数据速率变小，且阻塞用户数和活动用户数都变大，则该小区内可能存在业务热点。

步骤S401-S402与步骤S301-S302相同，此处不再赘述。

步骤S403、在当前统计周期统计小区内每个用户的RSRQ，将统计周期分为W个子周期，对RSRQ进行抽样得到W个RSRQ样本值，将所述W个RSRQ样本值划分统计区间和归一化后生成用户RSRQ柱状图。

本步骤用于获取用户的RSRQ柱状图，获取方法与实施二相同，首先当前统计周期划分为W个子周期对RSRQ进行采样，得到W个样本值，在归一化后生成RSPR柱状图，譬如对于用户k和j，可以得到两个用户的柱状图 $h_k^q=(h_{k,1}^q,...,h_{k,2^N}^q)$ 和 $h_j^q=(h_{j,1}^q,...,h_{j,2^N}^q).$

步骤S404、若判定当前小区可能存在业务热点，根据所述用户RSRQ柱状图对所有用户进行分簇，找到最优分簇，使得用户和对应簇的簇心的KL距离最小。

本步骤中，基于用户RSRQ柱状图对所有用户进行分簇。假设P_k(q)和P_j(q)分别表示用户k和j的RSRQ概率分布，则其KL距离（Kullback-Leibler(KL)divergence）为：

$D\left(P_k\left(q\right)\right|\left|P_j\left(q\right)\right)=\underset{q\∈Q}{\mathrm{\Σ}}{P}_k\left(q\right)\log \frac{P_k\left(q\right)}{p_j\left(q\right)}$

用户k和j的RSRQ的柱状图分别为

和

则KL距离可以近似表示为：

$D\left(P_k\right|\left|P_j\right)\≈\tilde{D}\left(P_k\right|\left|P_j\right)=\underset{i=1}{\overset{2^N}{\mathrm{\Σ}}}{h}_{k,i}^q\log \frac{h_{k,i}^q}{h_{j,i}^q}$

假设可以将用户分为C个簇，Q＝(Q₁.....Q_C)表示C个簇的簇心，用户k分到簇j的概率（即分簇成员函数）为

则分簇的目标为找到最优的簇心和分簇成员函数，使得用户和对应簇的簇心的KL距离最小：

$\underset{U,Q}{\min }J(U,Q)$

$s.t.J(U,Q)=\underset{j=1}{\overset{C}{\mathrm{\Σ}}}\underset{k=1}{\overset{K_m}{\mathrm{\Σ}}}{u}_{\mathrm{kj}}D\left(P_k\right|\left|Q_j\right)+\underset{j=1}{\overset{C}{\mathrm{\Σ}}}{\mathrm{\η}}_j\underset{k=1}{\overset{K_m}{\mathrm{\Σ}}}(u_{\mathrm{kj}}\ln \left(u_{\mathrm{kj}}\right)-u_{\mathrm{kj}}),$

$D\left(P_k\right|\left|Q_j\right)=\underset{i=1}{\overset{2^N}{\mathrm{\Σ}}}{h}_{k,i}^q\log \frac{h_{k,i}^q}{h_{j,i}^q},$

$\underset{i=1}{\overset{2^N}{\mathrm{\Σ}}}{h}_{j,i}^q\left(n\right)=1,$

$u_{\mathrm{kj}}\∈\left[\mathrm{0,1}\right].$

其中，

为簇j的簇心，即其RSRQ柱状图。

令 ${\▿}_{Q_j}J(U,Q)=0$ 和 ${\▿}_{u_{\mathrm{kj}}}J(U,Q)=0,$ 可以获得最优的分簇：

$\∀j,Q_j=(h_{j,1}^q,...,h_{j,2^N}^q),\mathrm{where}\∀i,j,h_{j,i}^q=\frac{\underset{k=1}{\overset{K_m}{\mathrm{\Σ}}}{u}_{\mathrm{kj}}{h}_{k,i}^q}{\underset{k=1}{\overset{K_m}{\mathrm{\Σ}}}{u}_{\mathrm{kj}}},$

$\∀k,j,u_{\mathrm{kj}}=\exp (-\frac{D\left(P_k\right|\left|Q_j\right)}{{\mathrm{\η}}_j})$

步骤S405、获取分簇数目以及每个簇的簇心。

本步骤中通过初始化分簇可以获得正确的分簇数目C以及每个簇的簇心，具体如下：

S4051、初始化簇的数目为一个较大的值N；

S4052、计算每个用户RSRQ柱状图的均值和方差，以用户k为例，其RSRQ柱状图为

其均值和方差分别为：

$\mathrm{Mean}:E_k^q=\underset{i=1}{\overset{2^N}{\mathrm{\Σ}}}i\·h_{k,i}^q$

$\mathrm{Variance}:{\mathrm{Var}}_k^q=\underset{i=1}{\overset{2^N}{\mathrm{\Σ}}}{(i-E_k^q)}^2\·h_{k,i}^q$

S4053、基于标准的K-means方法，对均值和方差数据

$(x_k:k=1,...,K_m),x_k=\left[\begin{array}{cc}{E}_k^q& {\mathrm{Var}}_k^q\end{array}\right].$ 进行分簇，不断迭代更新簇心{v_j·j＝1.....N}，直到收敛：

$\∀j,v_j^{(t+1)}=\frac{1}{\left|{\mathrm{\χ}}_j^{\left(t\right)}\right|}\underset{x_k\∈{\mathrm{\χ}}_j^{\left(t\right)}}{\mathrm{\Σ}}{x}_k$

$\∀j,{\mathrm{\χ}}_j^{(t+1)}=\{x_k:||x_k-v_j^{(t+1)}||\≤||x_k-v_i^{(t+1)}||,\mathrm{for\; i}=1,...,N\}$

S4054、如果任何两个簇的簇心的距离小于一定门限，则N值自减1，返回步骤S4053，直至任意两个簇的簇心距离足够大时，可认定分簇完毕，此时的N值就是所述分簇数目C；

S4055、对于每个簇x_j，找到离簇心v_j最近的点x_k，其对应的历史记录的

为分簇算法中该簇的簇心。

步骤S406、对簇内的用户成员进行Hoeffding测试，当剩余成员数目大于一预定阈值时，则可确定当前簇为一个业务热点簇。

分簇完毕后，但同一簇中用户的相似性不一定足够大，因此并不能判定该簇属于一个业务热点簇，本实施例中，还需通过Hoeffding测试来判定业务热点簇：假设Λ_k：＝Λ_k(Q_j)表示一个基于簇Q_j的判定准则，其包含一系列概率P_k，如果则用户k从簇Q_j删除。当剩余成员数目大于一预定阈值时，则可确定当前簇为一个业务热点簇。

最优的判定准则基于Hoeffding测试可获得：

${\mathrm{\Λ}}_k^{*}=\{P_k:D\left(P_k\right|\left|Q_j\right)\≥\mathrm{\δ}\}$

δ是一个可调因子，通过控制该因子，可以获得所需的判定错误概率：

$\mathrm{Pr}\{D\left(P_k\right|\left|Q_j\right)\≥\mathrm{\δ}\}\≤2^{\mathrm{\δ}-\left|Q\right|\frac{\log (W+1)}{W}}$

其中W为柱状图数据的周期数，当W→∞,D(P_k||Q_j)→0。

本发明实施例提供了一种具体的用户分簇方法，对每个簇通过Hoeffding测试进一步判定该簇是否是业务热点簇。

实施例五：

图5示出了本发明第五实施例提供的一种业务热点的确定方法，为了便于说明仅示出了与本发明实施例相关的部分。

步骤S501、周期性统计小区内小区最差用户的平均数据速率、阻塞用户数和活动用户数；

步骤S502、若所述统计的小区最差用户的平均数据速率变小，且阻塞用户数和活动用户数都变大，则该小区内可能存在业务热点。

步骤S503、在当前统计周期统计小区内每个用户的RSRQ，将统计周期分为W个子周期，对RSRQ进行抽样得到W个RSRQ样本值，将所述W个RSRQ样本值划分统计区间和归一化后生成用户RSRQ柱状图。

步骤S504、若判定当前小区可能存在业务热点，根据所述用户RSRQ柱状图对所有用户进行分簇，找到最优分簇，使得用户和对应簇的簇心的KL距离最小。

步骤S505、获取分簇数目以及每个簇的簇心。

步骤S501-S505与步骤S401-S405相同，此处不再赘述。

步骤S506、当小区的总物理资源块PRB利用率小于100%，且簇内成员的PRB利用率大于一定门限Thr1，或者，当小区的总PRB利用率等于100%，且簇内成员的满意度小于一定门限Thr2，均可确定当前簇为一个业务热点簇。

当小区的总PRB利用率小于100%时，簇负载可以以PRB利用率来进行衡量：

$\mathrm{LC}1=U_{\mathrm{PRB},C}=\frac{\underset{k\∈C}{\mathrm{\Σ}}{\mathrm{PRB}}_k}{\mathrm{PRB}}>\mathrm{Thr}1$

如果簇负载LC1（即簇内成员的PRB利用率）大于一定门限Thr1，则该簇为热点簇。

当小区的总PRB利用率等于100%时，簇负载定义为：

LC2=k*S_GBR+S_Non-GBR<Thr2

其中，

和

分别为GBR（Guaranteed Bit Rate，保证比特速率）业务和Non-GBR（非保证比特速率）业务的用户满意度；k为大于等于1的业务权重系数，可设为2。AMBR（Aggregated Maximum Bit Rate）为Non-GBR业务的聚合最大比特速率。

如果簇负载LC2（即簇内成员的满意度）小于一定门限Thr2，则该簇为热点簇。

本实施例提供了另一种业务热点的确定方法，与实施例四不同在于，本实施例通过总PRB利用率和簇负载值来进一步确定当期簇是否为业务热点簇。

实施例六：

图6示出了本发明第六实施例提供的一种业务热点的定位方法，为了便于说明仅示出了与本发明实施例相关的部分。

步骤S601、周期性统计小区内小区最差用户的平均数据速率、阻塞用户数和活动用户数；

步骤S602、若所述统计的小区最差用户的平均数据速率变小，且阻塞用户数和活动用户数都变大，则该小区内可能存在业务热点；

步骤S603、统计小区内每个用户的参考信号接收质量RSRQ，并对小区内的用户进行分簇；

步骤S604、根据分簇结果确定当前簇是否为一个业务热点簇。

步骤S601-S604用于判定当前簇是否为一个业务热点簇，与实施例三相同，此处不再赘述。

步骤S605、根据业务热点簇内用户终端的位置信息，定位出业务热点簇所在区域。

在本发明实施例中，可以通过多种方法获取用户终端的位置信息。如果用户终端含有GPS模块并已开启，则可以通过获取业务热点簇内用户终端内的GPS模块上传的位置信息，定位出业务热点簇所在区域；如果用户终端中不含有GPS模块或者GPS模块当前不可用，那么可以通过获取业务热点簇内用户终端上报的射频手印信息估计用户终端的位置，定位出业务热点簇所在区域。定位出业务热点在网络中的所在区域后，从而很容易选择正确的优化动作。

对于通过获取业务热点簇内用户终端上报的射频手印信息估计用户终端的位置，定位出业务热点簇所在区域步骤具体如下：

S6051、获取用户终端上报的测量报告数据。

在本统计周期内，用户会上报多个测量报告，特别是RSRP(Reference SignalReceiving Power，参考信号接收功率）测量电平。

S6052、根据所述测量报告数据与特征库相应数据的匹配度，选取匹配度最小的一个栅格点。

在本实施例中，计算测量报告数据与特征库相应数据的匹配度，选取匹配度（Sr）最小（即最佳）的一个栅格点。针对每一条测量报告数据和每一条数据库数据，从第一个小区电平开始，依次寻找在数据库中同一小区的电平，计算电平差，各差值之和即为匹配度。因此若业务热点簇内有X个用户终端，那么就会存在X个匹配度，选择匹配度最小的栅格点。

举例如下（数字表示小区号，各电平值以降序排列）：

报告测量数据

S5

S2

S1

S6

S7

S8

S3

特征库中候选数据

R5

R2

R4

R1

R3

R7

R6

则Sr=|S5-R5|+|S2-R2|+|S1-R1|+|S3-R3|+|S7-R7|+|S6-R6|。

有些小区电平在测量报告中存在而在数据库小区列表中不存在，或者在数据库中存在而在测量报告中不存在，则可以在Sr上面增加惩罚因子，使得搜索结果更趋向于准确：

Sr=|S5-R5|+|S2-R2|+|S1-R1|+|S3-R3|+|S7-R7|+|S6-R6|+|S8-R6|+|S3-R4|。

本实施中，首先需要建立并初始化特征库，并及时更新，初始化特征库和特征库更新方法如下：

初始特征库：取网规时采用的经校正（最好是分地形区域校正）过的传模，在每个栅格计算出栅格内各个地理位置的多个电平数据，生成一个概率分布。

特征库更新：不断把带位置信息的数据放入栅格电平数据库，并根据数据新旧过滤掉较陈旧的数据，同时更新概率分布。

S6053、根据所述匹配度最小的一个栅格点的位置信息，定位出业务热点簇所在区域。

在本发麻实施例中，通过GPS模块上报的信息或射频手印信息估计用户终端的位置，定位出业务热点簇所在区域。

实施例七：

图7示出了本发明第七实施例提供的一种业务热点的检测装置，为了便于说明仅示出了与本发明实施例相关的部分。

本实施例中，所述装置包括：

数据统计单元701，用于周期性统计小区内小区最差用户的平均数据速率、阻塞用户数和活动用户数；

热点判断单元702，用于若所述统计的小区最差用户的平均数据速率变小，且阻塞用户数和活动用户数都变大，则该小区内可能存在业务热点。

实施例八：

图8示出了本发明第八实施例提供的一种业务热点的检测装置，为了便于说明仅示出了与本发明实施例相关的部分。

本实施例中，所述装置包括：

数据统计单元801，用于周期性统计小区内小区最差用户的平均数据速率、阻塞用户数和活动用户数；

热点判断单元802，用于若所述统计的小区最差用户的平均数据速率变小，且阻塞用户数和活动用户数都变大，则该小区内可能存在业务热点。

其中，所述数据统计单元801包括：

样本获取模块8011，用于将统计周期划分为W个子周期，分别对最差用户的平均数据速率、阻塞用户数和活动用户数进行采样，分别得到W个样本值：(r_m(n-W+1),...,r_m(n))、(b_m(n-W+1),...,b_m(n))、(x_m(n-W+1),...,x_m(n))；

柱状图生成模块8012，用于将所述最差用户的平均数据速率、阻塞用户数和活动用户数的样本值划分统计区间和归一化后生成相应的柱状图，分别为： $h_m^r\left(n\right)=(h_{m,1}^r\left(n\right),...,h_{m,2^N}^r\left(n\right)),$ $h_m^b\left(n\right)=(h_{m,1}^b\left(n\right),...,h_{m,2^N}^b\left(n\right)),$ $h_m^x\left(n\right)=(h_{m,1}^x\left(n\right),...,h_{m,2^N}^x\left(n\right)),$ 其中2^N为划分的区间数目。

所述热点判断单元802包括：

最差用户速率检测模块8021，用于检测

值，若

表明小区最差用户的平均数据速率变小，其中 $h(\stackrel{\&OverBar;}{r_m}\left(n\right),{\mathrm{\&epsiv;}}_r)=|\stackrel{\&OverBar;}{r_m}\left(n\right)-E^r|-\sqrt{\frac{{\mathrm{Var}}^r}{{\mathrm{\&epsiv;}}_r}},$ 其中的算术平均值， $E^r=\underset{i=1}{\overset{2^N}{\mathrm{\&Sigma;}}}i*h_{m,i}^r$ 值为期望， ${\mathrm{Var}}^r=\underset{i=1}{\overset{2^N}{\mathrm{\&Sigma;}}}{(i-E^r)}^2*h_{m,i}^r$ 为方差，εr为误警概率上限；

阻塞用户数检测模块8022，用于检测

值，若

表明阻塞用户数变大，其中 $h(\stackrel{\&OverBar;}{b_m}\left(n\right),{\mathrm{\&epsiv;}}_b)=|\stackrel{\&OverBar;}{b_m}\left(n\right)-E^b|-\sqrt{\frac{{\mathrm{Var}}^b}{{\mathrm{\&epsiv;}}_b}},$ 其中

为(b_m(n-W+1),...,b_m(n))的算术平均值，

值为期望，

为方差，εb为误警概率上限；活动用户数检测模块8023，用于检测

值，若

表明活动用户数变大，其中 $h(\stackrel{\&OverBar;}{x_m}\left(n\right),{\mathrm{\&epsiv;}}_x)=|\stackrel{\&OverBar;}{x_m}\left(n\right)-E^x|-\sqrt{\frac{{\mathrm{Var}}^x}{{\mathrm{\&epsiv;}}_x}},$ 其中

为(x_m(n-W+1),...,x_m(n))的算术平均值，

值为期望，

为方差，εx为误警概率上限；

热点判断模块8024，用于当 ${\mathrm{\&alpha;}}_1*h(\stackrel{\&OverBar;}{r_m}\left(n\right),{\mathrm{\&epsiv;}}_r)+{\mathrm{\&alpha;}}_2*h(\stackrel{\&OverBar;}{b_m}\left(n\right),{\mathrm{\&epsiv;}}_b)$ $+{\mathrm{\&alpha;}}_3*h(\stackrel{\&OverBar;}{x_m}\left(n\right),{\mathrm{\&epsiv;}}_x)>0,$ 则判定该小区可能存在业务热点，其中α₁、α₂、α₃为加权因子，满足α₁+α₂+α₃=1。

实施例九：

图9示出了本发明第九实施例提供的一种业务热点的确定装置，为了便于说明仅示出了与本发明实施例相关的部分。

数据统计单元901，用于周期性统计小区内小区最差用户的平均数据速率、阻塞用户数和活动用户数；

热点判断单元902，用于若所述统计的小区最差用户的平均数据速率变小，且阻塞用户数和活动用户数都变大，则该小区内可能存在业务热点。

用户分簇单元903，用于统计小区内每个用户的参考信号接收质量RSRQ，并对小区内的用户进行分簇；

业务热点确定单元904，用于根据分簇结果确定当前簇是否为一个业务热点簇。

实施例十：

图10示出了本发明第十实施例提供的一种业务热点的确定装置，为了便于说明仅示出了与本发明实施例相关的部分。

数据统计单元101，用于周期性统计小区内小区最差用户的平均数据速率、阻塞用户数和活动用户数；

热点判断单元102，用于若所述统计的小区最差用户的平均数据速率变小，且阻塞用户数和活动用户数都变大，则该小区内可能存在业务热点。

用户分簇单元103，用于统计小区内每个用户的参考信号接收质量RSRQ，并对小区内的用户进行分簇；

业务热点确定单元104，用于根据分簇结果确定当前簇是否为一个业务热点簇。

其中，所述用户分簇单元103包括：

RSRQ获取模块1031，用于在当前统计周期统计小区内每个用户的RSRQ，将统计周期分为W个子周期，对RSRQ进行抽样得到W个RSRQ样本值，将所述W个RSRQ样本值划分统计区间和归一化后生成用户RSRQ柱状图；

最优分簇获取模块1032，用于若判定当前小区可能存在业务热点，根据所述用户RSRQ柱状图对所有用户进行分簇，找到最优分簇，使得用户和对应簇的簇心的KL距离最小；

分簇数目及簇新获取模块1033，用于获取分簇数目以及每个簇的簇心。

所述业务热点确定单元104包括：

簇成员数目确定模块1041，用于对簇内的用户成员进行Hoeffding测试，当剩余成员数目大于一预定阈值时，则可确定当前簇为一个业务热点簇。

实施例十一：

图11示出了本发明第十一实施例提供的一种业务热点的确定装置，为了便于说明仅示出了与本发明实施例相关的部分。

数据统计单元111，用于周期性统计小区内小区最差用户的平均数据速率、阻塞用户数和活动用户数；

热点判断单元112，用于若所述统计的小区最差用户的平均数据速率变小，且阻塞用户数和活动用户数都变大，则该小区内可能存在业务热点。

用户分簇单元113，用于统计小区内每个用户的参考信号接收质量RSRQ，并对小区内的用户进行分簇；

业务热点确定单元114，用于根据分簇结果确定当前簇是否为一个业务热点簇。

其中，所述业务热点确定单元114包括：

簇负载确定模块1141，用于当小区的总物理资源块PRB利用率小于100%，且簇内成员的PRB利用率大于一定门限Thr1，或者，当小区的总PRB利用率等于100%，且簇内成员的满意度小于一定门限Thr2，均可确定当前簇为一个业务热点簇。

实施例十二：

图12示出了本发明第十二实施例提供的一种业务热点的定位装置，为了便于说明仅示出了与本发明实施例相关的部分。

数据统计单元121，用于周期性统计小区内小区最差用户的平均数据速率、阻塞用户数和活动用户数；

热点判断单元122，用于若所述统计的小区最差用户的平均数据速率变小，且阻塞用户数和活动用户数都变大，则该小区内可能存在业务热点。

用户分簇单元123，用于统计小区内每个用户的参考信号接收质量RSRQ，并对小区内的用户进行分簇；

业务热点确定单元124，用于根据分簇结果确定当前簇是否为一个业务热点簇；

区域定位单元125，用于根据业务热点簇内用户终端的位置信息，定位出业务热点簇所在区域。

所述区域定位单元125包括：

GPS区域定位模块，用于获取业务热点簇内用户终端内的GPS模块上传的位置信息，定位出业务热点簇所在区域；

或者，

射频手印区域定位模块，用于获取业务热点簇内用户终端上报的射频手印信息估计用户终端的位置，定位出业务热点簇所在区域。

所述射频手印区域定位模块包括：

测量报告获取部件，用于获取用户终端上报的测量报告数据；

最佳栅格点选取部件，用于根据所述测量报告数据与特征库相应数据的匹配度，选取匹配度最小的一个栅格点；

栅格点区域定位部件，用于根据所述匹配度最小的一个栅格点的位置信息，定位出业务热点簇所在区域。

在本发明实施例中，提供了一种结合网络状态进行业务热点检测、确定、定位的方法和装置，由于本发明实施例在检测业务热点状态时，考虑到了多个网络状态的变化，包括最差用户的平均数据速率、阻塞用户数以及活动用户数等等，当所有数据变化满足要求时才能判定当前小区可能存在业务热点，再对用户进行分簇，根据分簇结果确定小区内的业务热点簇，最后定位业务热点簇的位置。本发明实施例可以有效检测存在业务热点簇的小区、确定小区中的业务热点簇，以及能够有效定位出网咯中的热点区域，以便网络触发相应的SON动作，到达节约运营成本的目的。

本领域普通技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以在存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (20)

1.一种业务热点的检测方法，其特征在于，所述方法包括：

周期性统计小区内小区最差用户的平均数据速率、阻塞用户数和活动用户数；

若所述统计的小区最差用户的平均数据速率变小，且阻塞用户数和活动用户数都变大，则该小区内可能存在业务热点。

2.如权利要求1所述的一种业务热点的检测方法，其特征在于，所述周期性统计小区内小区最差用户的平均数据速率、阻塞用户数和活动用户数步骤，具体包括：

将统计周期划分为W个子周期，分别对最差用户的平均数据速率、阻塞用户数和活动用户数进行采样，分别得到W个样本值：(r_m(n-W+1),...,r_m(n))、(b_m(n-W+1),...,b_m(n))、(x_m(n-W+1),...,x_m(n))；

将所述最差用户的平均数据速率、阻塞用户数和活动用户数的样本值划分统计区间和归一化后生成相应的柱状图，分别为： $h_m^r\left(n\right)=(h_{m,1}^r\left(n\right),...,h_{m,2^N}^r\left(n\right)),$ $h_m^b\left(n\right)=(h_{m,1}^b\left(n\right),...,h_{m,2^N}^b\left(n\right)),$ $h_m^x\left(n\right)=(h_{m,1}^x\left(n\right),...,h_{m,2^N}^x\left(n\right)),$ 其中2^N为划分的区间数目。

3.如权利要求2所述的一种业务热点的检测方法，其特征在于，所述若所述统计的小区最差用户的平均数据速率变小，且阻塞用户数和活动用户数都变大，则该小区内可能存在业务热点步骤，具体包括：

检测

值，若

表明小区最差用户的平均数据速率变小，其中 $h(\stackrel{\&OverBar;}{r_m}\left(n\right),{\mathrm{\&epsiv;}}_r)=|\stackrel{\&OverBar;}{r_m}\left(n\right)-E^r|-\sqrt{\frac{V{\mathrm{ar}}^r}{{\mathrm{\&epsiv;}}_r}},$ 其中

为(r_m(n-W+1),...,r_m(n))的算术平均值，

值为期望， $V{\mathrm{ar}}^r=\underset{i=1}{\overset{2^N}{\mathrm{\&Sigma;}}}{(i-E^r)}^2*h_{m,i}^r$ 为方差，ε_r为误警概率上限；

检测

值，若

表明阻塞用户数变大，其中 $h(\stackrel{\&OverBar;}{b_m}\left(n\right),{\mathrm{\&epsiv;}}_b)=|\stackrel{\&OverBar;}{b_m}\left(n\right)-E^b|-\sqrt{\frac{V{\mathrm{ar}}^b}{{\mathrm{\&epsiv;}}_b}},$ 其中

为(b_m(n-W+1),...,b_m(n))的算术平均值， $E^b=\underset{i=1}{\overset{2^N}{\mathrm{\&Sigma;}}}i*h_{m,i}^b$ 值为期望， $V{\mathrm{ar}}^b=\underset{i=1}{\overset{2^N}{\mathrm{\&Sigma;}}}{(i-E^b)}^2*h_{m,i}^b$ 为方差，ε_b为误警概率上限；

检测

值，若

表明活动用户数变大，其中 $h(\stackrel{\&OverBar;}{x_m}\left(n\right),{\mathrm{\&epsiv;}}_x)=|\stackrel{\&OverBar;}{x_m}\left(n\right)-E^x|-\sqrt{\frac{V{\mathrm{ar}}^x}{{\mathrm{\&epsiv;}}_x}},$ 其中

为(x_m(n-W+1),...,x_m(n))的算术平均值， $E^x=\underset{i=1}{\overset{2^N}{\mathrm{\&Sigma;}}}i*h_{m,i}^x$ 值为期望， $V{\mathrm{ar}}^x=\underset{i=1}{\overset{2^N}{\mathrm{\&Sigma;}}}{(i-E^x)}^2*h_{m,i}^x$ 为方差，ε_x为误警概率上限；

当 ${\mathrm{\&alpha;}}_1*h(\stackrel{\&OverBar;}{r_m}\left(n\right),{\mathrm{\&epsiv;}}_r)+{\mathrm{\&alpha;}}_2*h(\stackrel{\&OverBar;}{b_m}\left(n\right),{\mathrm{\&epsiv;}}_b)+{\mathrm{\&alpha;}}_3*h(\stackrel{\&OverBar;}{x_m}\left(n\right),{\mathrm{\&epsiv;}}_x)>0,$ 则判定该小区可能存在业务热点，其中α₁、α₂、α₃为加权因子，满足α₁+α₂+α₃=1。

4.如权利要求1-3任一项所述的一种业务热点的检测方法，其特征在于，所述小区最差用户为小区最差5%用户。

5.一种业务热点的确定方法，其特在在于，所述方法包括如权利要求1-4任一项所述的业务热点的检测方法，还包括：

统计小区内每个用户的参考信号接收质量RSRQ，并对小区内的用户进行分簇；

根据分簇结果确定当前簇是否为一个业务热点簇。

6.如权利要求5所述的一种业务热点的确定方法，其特在在于，所述统计小区内每个用户的参考信号接收质量RSRQ，并对小区内的用户进行分簇步骤，具体包括：

在当前统计周期统计小区内每个用户的RSRQ，将统计周期分为W个子周期，对RSRQ进行抽样得到W个RSRQ样本值，将所述W个RSRQ样本值划分统计区间和归一化后生成用户RSRQ柱状图；

若判定当前小区可能存在业务热点，根据所述用户RSRQ柱状图对所有用户进行分簇，找到最优分簇，使得用户和对应簇的簇心的KL距离最小；

获取分簇数目以及每个簇的簇心。

7.如权利要求5或6所述的一种业务热点的确定方法，其特在在于，所述根据分簇结果确定当前簇是否为一个业务热点簇步骤，具体包括：

对簇内的用户成员进行Hoeffding测试，当剩余成员数目大于一预定阈值时，则可确定当前簇为一个业务热点簇；

或者，

当小区的总物理资源块PRB利用率小于100%，且簇内成员的PRB利用率大于一定门限Thr1，或者，当小区的总PRB利用率等于100%，且簇内成员的满意度小于一定门限Thr2，均可确定当前簇为一个业务热点簇。

8.一种业务热点的定位方法，其特征在于，所述方法包括如权利要求5-7任一项所述的业务热点的确定方法，还包括：

根据业务热点簇内用户终端的位置信息，定位出业务热点簇所在区域。

9.如权利要求8所述的一种业务热点的定位方法，其特征在于，所述根据业务热点簇内用户终端的位置信息，定位出业务热点簇所在区域步骤，具体包括：

获取业务热点簇内用户终端内的GPS模块上传的位置信息，定位出业务热点簇所在区域；

或者，

获取业务热点簇内用户终端上报的射频手印信息估计用户终端的位置，定位出业务热点簇所在区域。

10.如权利要求9所述的一种业务热点的定位方法，其特征在于，所述获取业务热点簇内用户终端上报的射频手印信息估计用户终端的位置，定位出业务热点簇所在区域步骤，具体包括：

获取用户终端上报的测量报告数据；

根据所述测量报告数据与特征库相应数据的匹配度，选取匹配度最小的一个栅格点；

根据所述匹配度最小的一个栅格点的位置信息，定位出业务热点簇所在区域。

11.一种业务热点的检测装置，其特征在于，所述装置包括：

数据统计单元，用于周期性统计小区内小区最差用户的平均数据速率、阻塞用户数和活动用户数；

热点判断单元，用于若所述统计的小区最差用户的平均数据速率变小，且阻塞用户数和活动用户数都变大，则该小区内可能存在业务热点。

12.如权利要求11所述的一种业务热点的检测装置，其特征在于，所述数据统计单元包括：

样本获取模块，用于将统计周期划分为W个子周期，分别对最差用户的平均数据速率、阻塞用户数和活动用户数进行采样，分别得到W个样本值：(r_m(n-W+1),...,r_m(n))、(b_m(n-W+1),...,b_m(n))、(x_m(n-W+1),...,x_m(n))；

柱状图生成模块，用于将所述最差用户的平均数据速率、阻塞用户数和活动用户数的样本值划分统计区间和归一化后生成相应的柱状图，分别为： $h_m^r\left(n\right)=(h_{m,1}^r\left(n\right),...,h_{m,2^N}^r\left(n\right)),$ $h_m^b\left(n\right)=(h_{m,1}^b\left(n\right),...,h_{m,2^N}^b\left(n\right)),$ $h_m^x\left(n\right)=(h_{m,1}^x\left(n\right),...,h_{m,2^N}^x\left(n\right)),$ 其中2^N为划分的区间数目。

13.如权利要求12所述的一种业务热点的检测装置，其特征在于，所述热点判断单元包括：

最差用户速率检测模块，用于检测

值，若

表明小区最差用户的平均数据速率变小，其中 $h(\stackrel{\&OverBar;}{r_m}\left(n\right),{\mathrm{\&epsiv;}}_r)=|\stackrel{\&OverBar;}{r_m}\left(n\right)-E^r|-\sqrt{\frac{V{\mathrm{ar}}^r}{{\mathrm{\&epsiv;}}_r}},$ 其中

的算术平均值， $E^r=\underset{i=1}{\overset{2^N}{\mathrm{\&Sigma;}}}i*h_{m,i}^r$ 值为期望， $V{\mathrm{ar}}^r=\underset{i=1}{\overset{2^N}{\mathrm{\&Sigma;}}}{(i-E^r)}^2*h_{m,i}^r$ 为方差，ε_r为误警概率上限；

阻塞用户数检测模块，用于检测

值，若

表明阻塞用户数变大，其中 $h(\stackrel{\&OverBar;}{b_m}\left(n\right),{\mathrm{\&epsiv;}}_b)=|\stackrel{\&OverBar;}{b_m}\left(n\right)-E^b|-\sqrt{\frac{V{\mathrm{ar}}^b}{{\mathrm{\&epsiv;}}_b}},$ 其中

为(b_m(n-W+1),...,b_m(n))的算术平均值，

值为期望， $V{\mathrm{ar}}^b=\underset{i=1}{\overset{2^N}{\mathrm{\&Sigma;}}}{(i-E^b)}^2*h_{m,i}^b$ 为方差，ε_b为误警概率上限；

活动用户数检测模块，用于检测

值，若

表明

活动用户数变大，其中 $h(\stackrel{\&OverBar;}{x_m}\left(n\right),{\mathrm{\&epsiv;}}_x)=|\stackrel{\&OverBar;}{x_m}\left(n\right)-E^x|-\sqrt{\frac{V{\mathrm{ar}}^x}{{\mathrm{\&epsiv;}}_x}},$ 其中

为(x_m(n-W+1),...,x_m(n))的算术平均值，

值为期望， $V{\mathrm{ar}}^x=\underset{i=1}{\overset{2^N}{\mathrm{\&Sigma;}}}{(i-E^x)}^2*h_{m,i}^x$ 为方差，ε_x为误警概率上限；

热点判断模块，用于当 ${\mathrm{\&alpha;}}_1*h(\stackrel{\&OverBar;}{r_m}\left(n\right),{\mathrm{\&epsiv;}}_r)+{\mathrm{\&alpha;}}_2*h(\stackrel{\&OverBar;}{b_m}\left(n\right),{\mathrm{\&epsiv;}}_b)+{\mathrm{\&alpha;}}_3*h(\stackrel{\&OverBar;}{x_m}\left(n\right),{\mathrm{\&epsiv;}}_x)$ $>0,$ 则判定该小区可能存在业务热点，其中α₁、α₂、α₃为加权因子，满足α₁+α₂+α₃=1。

14.如权利要求11-13任一项所述的一种业务热点的检测装置，其特征在于，所述小区最差用户为小区最差5%用户。

15.一种业务热点的确定装置，其特征在于，所述装置包括如权利要求11-14任一项所述业务热点的检测装置，还包括：

用户分簇单元，用于统计小区内每个用户的参考信号接收质量RSRQ，并对小区内的用户进行分簇；

业务热点确定单元，用于根据分簇结果确定当前簇是否为一个业务热点簇。

16.如权利要求15所述的一种业务热点的确定装置，其特在在于，所述用户分簇单元包括：

RSRQ获取模块，用于在当前统计周期统计小区内每个用户的RSRQ，将统计周期分为W个子周期，对RSRQ进行抽样得到W个RSRQ样本值，将所述W个RSRQ样本值划分统计区间和归一化后生成用户RSRQ柱状图；

最优分簇获取模块，用于若判定当前小区可能存在业务热点，根据所述用户RSRQ柱状图对所有用户进行分簇，找到最优分簇，使得用户和对应簇的簇心的KL距离最小；

分簇数目及簇新获取模块，用于获取分簇数目以及每个簇的簇心。

17.如权利要求15或16所述的一种业务热点的确定装置，其特在在于，所述业务热点确定单元包括：

簇成员数目确定模块，用于对簇内的用户成员进行Hoeffding测试，当剩余成员数目大于一预定阈值时，则可确定当前簇为一个业务热点簇；

或者，

簇负载确定模块，用于当小区的总物理资源块PRB利用率小于100%，且簇内成员的PRB利用率大于一定门限Thr1，或者，当小区的总PRB利用率等于100%，且簇内成员的满意度小于一定门限Thr2，均可确定当前簇为一个业务热点簇。

18.一种业务热点的定位装置，其特征在于，所述方法包括如权利要求15-17任一项所述的业务热点的确定装置，还包括：

区域定位单元，用于根据业务热点簇内用户终端的位置信息，定位出业务热点簇所在区域。

19.如权利要求18所述的一种业务热点的定位装置，其特征在于，所述区域定位单元包括：

GPS区域定位模块，用于获取业务热点簇内用户终端内的GPS模块上传的位置信息，定位出业务热点簇所在区域；

或者，

射频手印区域定位模块，用于获取业务热点簇内用户终端上报的射频手印信息估计用户终端的位置，定位出业务热点簇所在区域。

20.如如权利要求19所述的一种业务热点的定位装置，其特征在于，所述射频手印区域定位模块包括：

测量报告获取部件，用于获取用户终端上报的测量报告数据；

最佳栅格点选取部件，用于根据所述测量报告数据与特征库相应数据的匹配度，选取匹配度最小的一个栅格点；

栅格点区域定位部件，用于根据所述匹配度最小的一个栅格点的位置信息，定位出业务热点簇所在区域。

Images